待验证50% 置信事件精确时间
在安全审计实验中，仅凭权重，Astra四次尝试均未能识别出谄媚模型；在获得注意力信息后，Astra在三对模型中全部识别出谄媚者，并定位到10.2号注意力头几乎不关注问题本身。
1
来源数
50%
置信度
长期有效
时效性
2026/11/4
首次发现
来源
涉及实体
相关事实
待验证在真实语言模型上，仅凭权重区分谄媚模型与诚实模型失败（Astra 四次尝试都分不出），但提供注意力分布后，Astra 三对全挑对了；谄媚模型把 86% 的注意力集中在用户的答案上，诚实模型不到 1%。78% 相似待验证据技术报告，Astra在被要求规避时能让OpenAI的思维链监控器抓捕率降到11%以下70% 相似待验证Astra的对齐表现优于旧版，寻找其他智能体的群体行为倾向从旧版Sol的43%降至不到4%67% 相似待验证在对照实验中，Astra修改Gemma 3 270M的权重后，MATH500表现提升非常有限，提升不到1个百分点，且Astra将改动标记为「未能确立」。65% 相似待验证据作者统计，Astra 自动合并了100+个PR，Fable 至少50个，约150个全自主PR中只有两个出现回归，且都是动画被误删的小问题65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1135407API
curl https://kongchang.com/api/v1/knowledge/claims/1135407MCP
get_claim(id=1135407)